显微镜中的基于物理的奖励驱动图像分析

电子显微镜的兴起拓展了我们获取纳米尺度甚至原子分辨率复杂材料图像的能力。 resulting datasets 通常由人工操作员进行分析，这一过程具有挑战性，由于可能的多种分析步骤以及需要构建和优化复杂分析工作流程的需求。我们提出一种基于奖励函数（Reward Function）耦合贝叶斯优化的方法，用于动态优化图像分析工作流程。奖励函数设计紧密对齐实验目标和更广泛的背景，并在分析完成后可被量化。本文以离子 Irradiation的$(Y, Dy)Ba_2Cu_3O_{7-\delta}$薄膜的横截面及高角圆盘暗场（HAADF）图像作为模型系统。奖励函数基于预期材料密度和原子间距构建，用于驱动经典Laplacian-of-Gaussian（LoG）方法的多目标优化。这些结果可与DCNN分割进行基准测试。优化后的LoG*方法在存在额外噪声时，与DCNN相当。我们进一步将奖励函数方法拓展至部分无序区域的识别，构建基于物理的奖励函数和高维聚类。我们认为，若奖励函数定义得当，该方法可在远低于经典DCNN推断的计算成本下，实现复杂分析工作流程的实时优化，确保获得既精确又符合人类定义目标的结果。